基于改进蚁群算法的装配线VRPTD问题研究

用改进蚁群算法求解了装配线物料配送的VRPTD问题(带最后期限时间窗的车辆路径问题)。通过信息素动态更新设计,使改进蚁群算法具有自适应性,克服了传统蚁群算法在遍历寻优过程中容易出现停滞和陷入局部最优解的缺点。通过进一步对启发函数可见度进行改进设计,提高了算法的全局搜索能力。仿真结果表明,改进蚁群算法可以很好地求解装配线VRPTD问题,这对实际应用有一定的参考价值。     

基于改进蚁群算法的商业银行信用风险评估方法

对原蚁群算法的转移概率和信息素更新机制进行改进,并首次将蚁群算法应用于商业银行的信用风险评估问题,取得满意的结果。通过将计算结果与回归分类算法、判别分析和遗传规则进行比较,表明应用该算法解决商业信用风险问题更加有效。     

基于改进蚁群算法的物流配送优化研究

物流配送是物流管理的重要环节，物流配送关系到物流活动的正常开展，因此，物流配送优化成为学术界和企业界的研究热点。而传统蚁群算法由于存在着缺点，所以采用一种改进蚁群算法以改善传统算法的不足。基于改进蚁群算法，构建物流配送模型，求解最优解。通过算例，求得最优解，实现目标函数最小化。结论表明：改进蚁群算法是求解物流配送优化问题的有效方法。     

基于改进蚁群算法的高校图书馆书目检索策略研究

针对传统的基于关键字查询的信息检索系统存在的不足,提出了一种基于改进蚁群算法的高校图书馆书目检索策略。针对蚁群算法随机优化方法的聚类结果不稳定性问题,提出了基于改进蚁群算法的图书智能检索系统的基础模型,实验证明,改进后的蚁群算法智能检索系统能够检索到与关键字语义相关的信息,如同义、近义等关系,提高了传统图书检索系统的检索效率。     

蚁群聚类分析算法在茶叶等级分类识别中的应用

来自非原产地的龙井茶已经严重影响了原产地茶叶的信誉与销售。为了减弱这种影响,文章提出了一种蚁群聚类算法应用在茶叶等级分类识别上,因为相对于其他算法,蚁群聚类分析对未知分类的茶叶实行自动分类更有优势。为综合分析茶叶的特性,采集了3个等级的茶叶,每个级别有60组样品,然后提取每个样品的图像和光谱特征共16个参数,将180组样品先自动随机分类。最后利用蚁群聚类分析算法实现样品自动归类。结果发现,与原分组比较后,基于蚁群聚类分析算法的分类识别率达到了92.2％。这表明利用蚁群聚类分析对未知茶叶等级分类是可行的。     

改进蚁群算法在灭火机器人路径规划中的应用

提出了一种改进的蚁群算法应用于灭火机器人路径规划。该算法利用自适应更新的策略设计出最佳避障路径,建立了简洁明了的蚁群优化算法,从而对灭火机器人行走路径进行了优化处理。该方法不仅使灭火机器人在未知环境寻找火源过程中能够有效避开障碍物,而且能使机器人行走路径最短,所用时间最少。经仿真和实物机器人实验证明了该算法的可靠性和有效性。     

基于蚁群算法的副本选择策略的研究

副本技术是数据网格中的关键技术。它大大减少传输延迟,提高数据访问和处理的效率。本文研究蚁群算法的原理,同时分析了影响副本选择性能的主要因素,利用这些参考因素设计了基于蚁群算法的副本选择策略,并对这个新算法进行了分析和实现,经仿真平台实验,结果表明该算法可以减少数据访问延迟及带宽消耗,并有效做到网格中存储节点间的负载平衡,提高数据的访问速度。     

蚁群算法在QoS单播路由中的应用研究

QoS路由问题被证明是一个NP-C问题,而传统的路由算法很难有效地解决NP-C问题。该文提出了一种基于蚁群算法、用于解决带宽和时延约束问题的QoS单播路由算法,利用蚁群算法中蚂蚁通过信息素寻找最优路径的机制,并以网络吞吐量和数据报的平均时延等性能为最优的准则,来定义蚂蚁的转移概率、路由表和信息素更新方式,实现基于蚁群算法的路由选择算法.这种算法具有较强全局最优解搜索能力,较强的灵活性,以及潜在的并行性。     

分布式目标检测融合决策优化算法

现有分布式目标检测系统的优化一般采用穷举法、SFFO算法或SOFF算法,计算复杂,且优化结果强烈依赖初值。该文采用蚁群算法和爬山变异算法结合,提出爬山变异蚁群算法及同步优化传感器判决门限和融合中心决策规则,理论上是一种全局最优算法。数值试验的结果表明,和相关算法相比,融合系统的贝叶斯风险降低了15%～20%,且优化结果不依赖初值,计算复杂度低于其他算法。     

改进蚁群算法在合肥市包河区果蔬配送中的应用研究

路径优化是运输过程中必须考虑的问题。合理的路径既节省时间成本,又提高工作效率。文章引入蚁群算法和改进蚁群算法,利用算法的优越性,解决合肥市包河区处于快速发展状态下居民对果蔬需求的现实性,进而需要研究果蔬配送过程的路径问题,基于找出最优路径解,运用蚁群算法与改进蚁群算法解决果蔬配送,并对两种算法求出的解进行对比分析,找出最短路径,结果说明解决包河区果蔬配送路径的必要性,也说明算法在新环境中的适应性。     

基于改进的蚁群算法的复杂制造系统物流配送路径优化

为了对复杂系统中物流网络进行规划,在分析复杂制造系统物流网络特点的基础上,用多级有向图来对物流配 送问题进行建模。针对物流路径的流量和时间限制,以寻找满足约束条件的最小成本的路径为目标,利用改进的蚁群算 法对配送路径进行规划,最后运用MATLAB语言编程仿真。改进后的蚁群算法克服了一般蚁群算法的不足,提高了算 法的性能,可以解决复杂制造系统的物流网络配送路径优化问题。     

基于混合蚁群粒子群算法的立体库堆垛机路径优化

针对自动化立体仓库中的堆垛机路径优化问题，课题组通过分析立体仓库中堆垛机的工作特点与运行情况，提出了基于混合蚁群粒子群算法的路径优化方法，在传统的蚁群算法中结合粒子群算法思想，使算法同时具备蚁群算法的正反馈与粒子群的多样性。通过对实例进行MATLAB仿真分析表明：混合算法路径优化速度较快，且比以往的路径更短。研究使堆垛机的运行效率得到提高。     

3-状态串并联设备网络单目标-单约束可靠性优化蚁群算法

3-状态设备网络系统单目标-单约束可靠性优化问题是NP-难问题,本文研究这类优化模型的快速算法。在对已有3-状态设备网络系统可靠性优化模型进行分类的基础上,以蚁群算法为工具,给出了一个求解3-状态设备网络单目标-单约束串并联网络系统可靠性优化问题最优解的蚁群算法框架。合理选择算法参数,进行计算机仿真。模拟仿真结果表明,在随机运行一定次数算法后,算法都能够有效的给出模型的近似最优解。合理选择算法参数,蚁群算法能够成为有效求解3-状态设备网络可靠性优化问题的有力工具。     

Ad hoc网络稳定的蚁群多路由算法

针对Ad hoc网络路由协议中存在的路由老化和对拓扑变化适应性差的问题,提出了一种基于稳定拓扑和蚁群优化的多路由算法(SAMR),路径质量由路径的拓扑稳定度和时延来度量,并映射为蚁群信息素,利用蚁群优化进行路由的动态更新和维护,以避免路由老化。仿真表明,在动态环境下SAMR相比AODV能提高网络的吞吐量、降低传输时延。     

基于蚁群算法的低能耗LEACH协议分析

针对无线传感器网络路由协议LEACH(低功耗自适应分层路由)算法中簇首与Sink节点直接通信的问题,提出了一种基于蚁群算法的LEACH 算法.该算法利用蚁群算法简单易于实现、支持多路径的特点,通过相邻簇首节点间的距离和剩余能量值,在整个网络中建立和更新簇首间的信息素浓度,形成簇首间多跳路由.仿真结果表明,与LEACH算法相比,该算法在能量消耗与延长网络生存周期等方面具有更好的性能.     

基于改进蚁群算法的电缆防盗网络组网方法

为了使应用于低压配电网络中的电缆防盗系统能够可靠、快速地实现系统中主从站点间的通信,在分析系统工作方法、主体结构及拓扑变化的前提下,给出一种基于改进蚁群算法的系统组网方法。该方法对蚁群算法中的信息素挥发系数进行数值大小的限制,尽可能地扩大搜索范围,降低算法陷入局部最优的可能性,从而在全局最优的情况下获得算法的最优解。仿真结果表明:改进的蚁群算法在网络状态正常及发生故障的情况下,都具有更快的寻优速度,且完成通信所需的节点跳数更少,有效地提高了电缆防盗系统的运行可靠性,从而保障了系统实时监控功能的实现。     

基于改进蚁群算法的汽车避障路径规划

为在不同工况下为汽车规划出一条安全且合理的局部避障路径,利用MAKLINK图论法建立带有障碍物的二维环境模型,通过Dijkstra算法规划初始次优避障路径,考虑车辆运动学等约束改进蚁群算法,从而搜索出一条最优避障路径。在Simulink中搭建车辆-驾驶员闭环系统模型,将最优避障路径输入到该模型中进行路径跟随;根据汽车主动安全评价指标对路径跟随效果及车辆横向稳定状态进行评价。结果表明:改进蚁群算法规划出的避障路径具有较好的跟随效果,且符合车辆横向稳定性要求。说明改进后的蚁群算法进行汽车局部路径规划具备一定可行性。     

基于蚁群BP神经网路算法的六维力传感器解耦研究

针对传统BP神经网络在六维力传感器解耦训练过程中,由于其初始参数的选取不确定性导致神经网络出现震 荡、收敛速度缓慢和陷入局部极值等问题,提出一种基于蚁群BP神经网络算法并应用于六维力传感器解耦研究。该算 法利用蚁群算法在种群寻优方面的优越性,通过局部和全局信息素更新相结合的方式更新信息素,提高蚁群算法搜索的 效率,为BP神经网络提供一组最优的训练初始参数,网络收敛速度得到很大地提高,同时局部极值和震荡等缺点也有一 定的改善。实验仿真结果表明,在六维力传感器神经网络模型训练过程中,达到同样的目标误差,基于蚁群BP神经网络 算法的迭代次数Ⅳ比传统算法少50%,运行时间r快60%。这说明蚁群BP种经网络算法在六维力传感器解耦研究中 有着很好的应用效果。     

用改进蚁群算法求解多目标优化问题

蚁群算法是一种崭新的仿生模拟进化算法,该算法在许多领域已经得到应用。多目标优化问题是一类很重要的优化问题,优化与求解较难。对此,提出了一种改进蚁群算法用于求解多目标优化问题,得到一组变量的权重后,用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁寻食的方式,通过信息素来指引搜索。给出了具体的算法,示例仿真说明了其有效性,并表明该算法可以快速发现多个全局最优解。     

组合蚁群算法及其化工应用

针对连续空间优化问题,提出基于新型蚁群算法和模式搜索策略的组合蚁群优化算法。该算法将解空间的每维变量都划分成若干子域,根据每维变量各个子域中信息量占每维变量总信息量的比例来决定蚂蚁在各个子域间的转移,并在各子域中引入遗传操作实现蚂蚁品质的提升。同时,当最优解经过若干代没有改进时,对所有蚂蚁通过模式搜索策略加快收敛进程。以非线性连续优化问题为例进行仿真,结果表明:该方法比遗传算法具有更好的性能。最后,将该算法应用于反应动力学模型参数估计,取得良好的效果。